视觉认知是人类获取信息的重要方式，在视觉认知过程中，客观世界都以图像形式存在。图像分割作为视觉认知的基础，其目的是:从大量复杂的背景中，提取所需信息。但是，由于图像信息的不确定性及人类对图像认知的不确定性，很多已有的图像分割算法并不能获得较好的、符合人类视觉认知的分割结果。本文以粗糙集和双向认知模型——云模型为理论基础，结合人类视觉认知特点，利用概念内涵和外延双向认知变换对图像中不确定性信息进行处理，提出两种不同的图像分割方法，主要内容包括:　　 (1)提出一种基于粗糙集和云模型的图像分割方法。首先，该方法在经过非均匀量化后的HSV颜色空间上，对基本直方图、Histon直方图进行重新定义，并结合粗糙集中粗糙度概念，定义量化后图像的粗糙直方图，将颜色空间的3个颜色分量同时运用到图像分割中，较好地解决了图像信息的特征丢失问题;然后，利用基于样本一阶绝对中心矩和样本方差的逆向云变换算法进行图像信息的初始概念提取，并利用“软和”进行概念跃升;最后，利用云模型的“3En”规则对图像进行前景/背景分割。实验结果表明该方法对目标边缘像素点的不确定性进行了较好处理，提高了图像分割正确率。　　 (2)提出一种基于概念内涵和外延的图像分割方法。该方法在研究内容(1)的基础上，结合人类对图像认知的不确定性研究图像分割算法，以降低分割结果误分率，使其更符合人类视觉认知。首先，利用更具稳定性的基于样本划分的多步逆向云变换算法对图像信息进行初始概念的提取;然后，将人类认知的组织特性（邻接性、相似性、连续性）与图像区域分割方法相结合，定义一种新的概念合并准则，利用“软和”进行概念跃升，从而得到更符合人类认知特点的云概念;最后，利用云模型的“3En”规则对灰度图像、彩色图像及目标边界不分明的图像进行分割。实验结果表明该方法能获得更好的分割结果，并能有效地提取出目标边界不分明图像的过渡区域。